Как спрогнозировать марковскую модель случайного поля гаммы в сетку?

Я работаю над аналогичной проблемой, как в примере в пакете mgcv.

Я создал аналогичную модель и хотел бы прогнозировать на уровне сетки вместо районов, указанных в данных обучения. Это возможно? Если да, то как?

В качестве примера я создал набор данных прогнозирования.

library(mgcv)
data(columb)
data(columb.polys)

b <- gam(crime ~ s(district,bs="mrf",xt=xt),data=columb,method="REML")
plot(b,scheme=1)


#Create prediction dataset

df <- data.frame(district=numeric(0),x=numeric(0),y= numeric(0)) #Create empty df to store x, y and IDs for each polygon

# Extract x and y coordinates from each polygon and assign district ID
for (i in 1:length(columb.polys)) {
  district <- i-1
  x <- columb.polys[[i]][,1]
  y <- columb.polys[[i]][,2]
  df <- rbind(df,cbind(district,x,y)) 
}

sp <- df %>%
  group_by(district) %>%
  do(poly=dplyr::select(., x, y) %>%Polygon()) %>%
  rowwise() %>%
  do(polys=Polygons(list(.$poly),.$district)) %>%
  {SpatialPolygons(.$polys)}


#Convert sp to sf object
sp_sf <- st_as_sf(sp, proj4string='+proj=utm +zone=48N +ellps=WGS84 +units=m')
sp_sf <- st_set_crs(sp_sf, '+proj=utm +zone=48N +ellps=WGS84 +units=m')

#Make grid
grid <- st_make_grid(sp_sf, 
                           cellsize = 0.05, 
                              what = "centers", crs = '+proj=utm +zone=48N +ellps=WGS84 +units=m')

#intersection of grid and Columbus, Ohio
pred_grid <- st_intersection(grid, st_buffer(sp_sf, dist=0))

pred_b <- predict(b, pred_data)

Error in data[[txt]] : subscript out of bounds

Спасибо!


r gam mgcv spatial markov-random-fields
person user3047435    schedule 22.11.2019    source источник

Ответы (1)


arrow_upward
0
arrow_downward

Это невозможно с MRF, по крайней мере, насколько мне известно. В модели, которую вы показываете, у вас есть только сглаживание MRF, поэтому условное распределение отклика моделируется как оценочные значения для каждого district с ограничением, что близлежащие районы похожи друг на друга. Чтобы использовать модель, вам нужно делать прогнозы для районов, а не для каких-то других данных.

Я предполагаю в этой строке

pred_b <- predict(b, pred_data)

Вы имели в виду

pred_b <- predict(b, pred_grid)

Если ваша реальная проблема представляет собой смесь данных в сетке и на уровне региона, вы можете прогнозировать по сетке, но вам нужно будет назначить каждое местоположение сетки региону, чтобы вы могли передать столбец, например District, который что входит в термин MRF.

person Gavin Simpson    schedule 26.11.2019